| B2C模式是电子商务模式中常见的一种模式，而B2C从经营角色角度看，又分为自营和平台两种，自营是指电商网站所属公司自身享有货权并通过网站售卖的方式;平台是指电商网站所属公司只提供网站服务，招商其他公司入驻网站来售卖他们的商品的方式。如天猫是纯平台经营模式，如京东、1号店等都是自营和平台两种模式都有的，1号商城就是1号店提供的平台服务。
在电商平台中有一个常见的功能是允许商家在订单支付前修改已下订单的成交价格，很多朋友可能在天猫商城上下单后都有过让商家修改运费的经历，通常这种主动由用户联系商家修改价格的方式我们认为是良性的，但还会有商家主动发起修改价格的情况存在，比方说有些商家先把商品价格设置的很低，吸引用户下单后又说价格设置错了，把成交价格改为原来的价格，这是一种恶意刷单的行为。这里所说的修改价格不是指修改商品的价格，而是修改订单的价格。本文所要描述的就是如何通过数据层面来分析商家的改价行为。
这里再说明一下允许商家改价这个功能存在的合理性，当然也确实有很多电商平台不提供这样的功能，但是存在即合理，不然也不会有改价行为分析的问题了。
1、最常见的就是修改运费，相信很多人都体验过，买了一件免邮的商品，再买一件不免邮的商品，两件一起运送的话，就可以要求商家把运费修改掉;
2、中国特色的讨价还价，在中国做生意很多地方都存在这种讨价还价的现象，厉害的人可以把价格砍掉一半，甚至更多，对于这种人，笔者表示很佩服;
3、部分用户下完订单后发现需要修改商品(如型号、颜色、搭配套餐等)或者修改商品数量，又不想重新下单，就会在备注里面说明一下，让商家修改一下价格;
以上都是正面的一些设置修改价格功能的原因，但这种功能是把双刃剑，也会带来一些负面的效果，比如说恶意刷单，所以才要做分析去约束。
分析的原因
既然要分析，肯定是出现问题了。上面三种情况下都是用户自己要求修改价格的，但出现问题的基本都是商家主动修改价格。商家可以在下单完成后修改价格会导致如下一些问题：
1、改价订单的比例太高会导致用户交易体验差，会给用户造成平台交易不确定的印象，影响平台信誉，这是很多平台不开放这个功能的原因;
2、支付失败的可能性增大。把价格改低了还好说，要是改高了很多用户就会不愿意再支付，甚至会出现用户已经去支付了，商家这边修改了价格，导致支付的金额低于订单的成交金额;
3、有商家利用改价功能进行虚假营销活动，遭到用户的投诉。先低价卖，用户下单后再改上来说价格标错了;
4、有不良动机，给了商家恶意刷单的机会。如果改价流程的约束较少，就会变成部分不良商家的工具;
分析的目标
1、通过对商家改价行为的分析，找出规律和对策，以便对改价行为有一定的约束;
2、想办法减少甚至取消在用户支付动作后的改价，尽可能让用户在支付前能得到改价信息，特别是针对COD这种线下的支付方式;
分析后可能带来的收益
1、可以减少商家的违规操作行为;
2、可以提升支付成功率，尤其是线下支付方式的成功率;
3、改善买家体验，可以顺畅的完成交易;
分析的方式与方法
第一步，我们要分析的话得先把基础数据拿到手，这里是要分析商家改价行为的分析，那么改价相关的字段信息肯定要有;另外因为改价行为会影响到支付成功率，那也得把改过价格的订单的支付状态取出来以便分析，最后定义出来的基础数据字段内容如下，当然中间有过一些加工：
商家ID、订单号、下单时间、订单金额(改前价格)、最后修改时间、交易金额(改后价格)、支付时间、支付状态、改价幅度(交易金额-订单金额);这里说明一下，能否取到分析的数据和公司内部数据仓库的建设有很大关系，另外最好自己懂SQL，懂SQL的重要性可以参考《产品经理所需要掌握的技术点》。
第二步，确定分析的数据范围。因为大部分改价行为都发生在支付前，所以时间维度还是以下单时间为准;主要目的是分析有过改价行为的商家，因此没有改价行为的商家数据要剔除;另外为了让数据更有说服力，数据区间选取上半年的六个月区间;
第三步，有了数据之后就可以开始分析了，从分析的原因和目标来看，主要可以通过修改过订单的占比和支付成功率角度来看。
1、先看下商家改价订单在商家所有订单占比，是否比例会比较高，这个可以一定程度上把恶意商家区分出来;
这个占比比较好计算，以单个商家改过价格的订单总数除以该商家的订单总数，就是单个商家的改价订单占比。从分析的结果上，发现部分商家的改价订单占比确实很高，有的商家100%的订单都修改过价格。基于过往经验，我们认为80%的订单都修改过价格的商家存在恶意操作的嫌疑，抽取出来做单个分析。
2、再看下改价订单中，把价格改高的占比和把价格改低的占比;
价格改高的占比为单个商家中把价格改高的订单数除以该商家的改价订单总数;同理，价格改低的占比为单个商家中把价格改低的订单数除以该商家的改价订单总数。从这个分析结果中我们看到了很有趣的一个现象，下图为订单数排行前三十的商家分析结果，可以看到商家修改价格时，要么一边倒的把大部分订单的价格都改高，要么把大部分订单的价格都改低。这也印证了确实有一部分商家可能存在故意先把价格标低，然后又把价格改回去的现象。
3、我们再来看看支付成功率的指标，分析一下商家本身的支付成功率和改过价格的订单的支付成功率。
商家订单支付成功率为该商家支付成功的订单总数除以该商家的下单总数;改价订单的支付成功率为该商家改价订单中支付成功的订单总数除以该商家改价订单总数。还是以这三十商家为例，可以发现把价格改高的订单支付成功率要远低于商家正常的支付成功率，几乎只有一半，而价格改低的支付成功率则高于或接近正常的支付成功率。
分析结果
通过三个角度的分析，我们基本可以得出一些结论：
1、从数据上看，部分商家存在恶意改价的行为，改价订单占比很高，存在刷单的嫌疑，需要具体分析;
2、部分商家基本选择都是把价格改高，抛开正常的修改价格因素，我们认为价格改高的比例还是过高，存在虚假标价的嫌疑，还需看明细的数据去分析原因;
3、我们发现下单成交后再把价格改高的支付成功率只有正常的一半左右，而改低却基本扯平，证明用户也乐于看到商家把价格改低，需要分析一下，看是否能限制商家只能把价格往低了改;
总结
从整个过程来看，数据分析必须要有原因和目标，否则会无从下手，这也是很多人觉得不知道该分析什么的原因。之所以分析的结果都不是很确定，是因为数据分析是辅助工具，其结果可以参考，但不是必然的，粗线条的分析之后可能还需要更细分的分析才能确定最终的问题所在。最后还是说一下，产品经理懂SQL会方便很多，或者基础数据取出来之后，有很强的Excel操作使用能力的话，也可以用Excel来分析。
这里讲的只是大致的数据分析流程和步骤，整个过程较为简单，其实再往细了分析之后，就可以写一份比较漂亮的数据分析报告，里面可以有大家常见的各种曲线图、饼图之类的，本文算是数据分析方法入门的初级介绍，大家如对商家改价行为有更好的分析角度，也可以分享一下。 |
